Modelos de inteligencia artificial para predecir la predicción del riesgo de recurrencia en el cáncer de pulmón de...

Área de la Ciencia:

• Oncología Oncología.
• La bioestadística es la bioestadística.
• La informática médica es la informática médica.

Sus antecedentes:

• La recurrencia del cáncer de pulmón de células no pequeñas (CPNPC) en etapa temprana plantea un desafío clínico significativo.
• La predicción precisa de la recurrencia postoperatoria es crucial para las estrategias de tratamiento personalizado.

Objetivo del estudio:

• Evaluar sistemáticamente modelos predictivos para el riesgo de recurrencia del NSCLC en etapa temprana.
• Evaluar el impacto de la integración de diversas modalidades de datos en el rendimiento del modelo.

Principales métodos:

• Se realizó una búsqueda sistemática de la literatura a través de PubMed, Embase y Web of Science.
• Se incluyeron diecisiete estudios, con la extracción de datos sobre las características del estudio, los tipos de datos y las métricas de rendimiento.
• El riesgo de sesgo se evaluó utilizando el modelo de predicción Risk of Bias Assessment Tool (PROBAST) + AI.

Principales resultados:

• Los modelos de bosques aleatorios y bosques aleatorios de supervivencia mostraron robustez con datos de una sola modalidad.
• La integración de datos multimodales mejoró significativamente el rendimiento del modelo (AUC 0.72-0.94).
• DeepRePath (XGBoost) logró una AUC de 0.94 en el análisis de imágenes patológicas; las redes neuronales de gráficos se desempeñaron bien en los datos de TC (AUC 0.785).
• El exceso de ajuste fue un problema común, con varios estudios que muestran un alto riesgo de sesgo en las fases de desarrollo y validación.

Conclusiones:

• Los modelos predictivos demuestran el potencial para una evaluación precisa del riesgo de recurrencia en la etapa temprana del NSCLC.
• La integración multimodal de datos es clave para mejorar la generalizabilidad y el poder predictivo de estos modelos.